Equity sector rebalancing via machine learning

  • Tiago Coutinho Ramos (Aluno)

Tese do aluno

Resumo

Nesta dissertação o autor vai analisar se os modelos de machine learning nomeadamente Redes Neurais Artificiais, Máquina de Vetores de Suporte e Regressões Logísticas, conseguem prever mudanças nos retornos dos vários setores de mercado. Tipicamente, na definição do preço de ativos, são usados modelos de fatores lineares com um pequeno número de variáveis. Contudo, devido á eficiência do mercado, os retornos de ações são influenciados por eventos imprevisíveis aumentando a complexidade do problema. As regressões lineares simples têm dificuldade em incorporar um número vasto de variáveis, que a literatura Financeira veio a acumular ao longo das décadas, criando uma oportunidade para técnicas de machine learning.Os modelos de Machine Learning serão utilizados para realizar previsões sobre se o retorno de excesso sobre o período de um mês será positivo ou negativo. Utilizando as previsões dos modelos,o capital será alocado entre os vários setores do mercado e obrigações de tesouraria, construindo diferentes portfolios. Estando os portfolios construídos a respetiva performance será avaliada e comparada contra o benchmark, nomeadamente o índice do S&P500, durante um período de 25 anos.Os portfolios contruídos usando as previsões dos modelos de ML levaram a um aumento de retornos absolutos e ajustados ao risco batendo o benchmark. As estratégias teriam protegido investidores contra quedas acentuadas do mercado, mostrando o potencial de Machine Learning como ferramenta de investimento.
Data do prémio2 fev. 2023
Idioma originalEnglish
Instituição de premiação
  • Universidade Católica Portuguesa
SupervisorDan Tran (Supervisor)

Keywords

  • Alocação por setor
  • Timing de mercado
  • Machine learning
  • Regressão logística
  • Máquina de vetores de suporte
  • Redes neurais artificiais

Designação

  • Mestrado em Finanças

Citação

'